Quels termes d'alias inclure dans le modèle d'ajustementBonne journée
J'ai réalisé une expérience de conception de criblage des effets principaux pour déterminer lesquels de mes facteurs ont l'effet le plus significatif sur les propriétés mécaniques d'un matériau. Mes facteurs étaient:
L -> 5 niveaux numérique discret
R -> 2 niveaux catégoriques
S -> 2 niveaux catégoriques
T -> 2 niveaux catégoriques
J'ai utilisé le nombre d'exécutions par défaut et ajouté une exécution répliquée comme cela a été suggéré par un collègue et j'ai fait de mon mieux pour minimiser les valeurs de corrélation lors de l'utilisation des outils d'évaluation de la conception, mais j'ai dû maintenir les exécutions au minimum car je n'en avais pas beaucoup du matériel avec lequel travailler. Les interactions à deux facteurs ont été automatiquement exclues de la conception si je me souviens bien et ont été ajoutées en tant que termes alias.
Lorsque j'exécute maintenant mon analyse après avoir entré mes données expérimentales à l'aide de la plate-forme de modèle d'ajustement et de filtrage des effets, les effets qui sont significatifs varient en fonction des termes d'alias que j'inclus dans la plate-forme de modèle d'ajustement. Je ne peux pas non plus inclure toutes les interactions à deux facteurs (par exemple, LI ne peut inclure que deux fois dans un terme d'interaction à deux facteurs) car la plupart des effets ne sont tout simplement pas montrés dans le résumé des effets qui en résulte. Cela a-t-il quelque chose à voir avec les degrés de liberté dans la conception? Est-il correct d'essayer d'inclure autant de termes d'interaction à deux facteurs que possible en donnant la priorité à ceux qui présentent la corrélation la plus élevée avec les effets principaux dans la matrice d'alias? Dans ma matrice d'alias, les 4 corrélations les plus élevées sont les suivantes:
L * (T * R) - 0,69
L * (T * S) - 0,58
L * (S * R) - 0,58
R * (T * L) - 0,56
où les facteurs entre parenthèses sont le terme d'interaction à deux facteurs partiellement aliasé avec l'effet principal devant le crochet. 4 corrélations supplémentaires suivent celles-ci ayant des valeurs autour de 0,4 et le reste de la conception comprend des termes avec des valeurs de corrélation très faibles.
Ces termes alias sont-ils la raison pour laquelle l'effet L apparaît comme étant le seul facteur significatif (p <0,05) dans la plupart des cas lorsque j'inclus différentes interactions à deux facteurs?Dois-je inclure les 4 ci-dessus (avec les corrélations les plus élevées) comme meilleur pari pour trouver quels facteurs sont significatifs s'il y en a? Dois-je également inclure deux interactions de facteurs dans l'analyse du modèle d'ajustement?
AnalytiqueBICHERe: Quels termes d'alias inclure dans le modèle d'ajustementJe suis un peu confus, alors voici quelques questions / commentaires:
1. Si vous exécutez une conception de dépistage, pourquoi testez-vous un facteur à 5 niveaux? Cela vous permettrait d'estimer un polynôme de 4ème ordre qui serait plus probablement associé à une conception d'optimisation.
2. Je suppose que vous avez utilisé la conception personnalisée et ajouté les termes du modèle qui vous intéressaient le plus?
3. Je ne comprends pas ce que vous entendez par " Les interactions à deux facteurs ont été automatiquement exclues de la conception si je me souviens bien et ont été ajoutés comme terme d'alias s. " Vous ne pouvez pas avoir de termes alias dans le modèle d'ajustement ou vous obtiendrez une singularité.
4. Je ne comprends pas non plus "a ajouté une exécution répliquée"? Avez-vous fait cela pour obtenir 1 DF par erreur pour votre test statistique? Comment avez-vous choisi le traitement à reproduire? Réaliser le test statistique MSfactor / MSerror (test F) suppose que les erreurs sont non biaisées, distribuées au hasard et, espérons-le, REPRÉSENTANT vrai erreurs aléatoires (vous ne savez pas comment obtenir cela avec 1 traitement répliqué?). Et les résidus respectent les hypothèses NID (0, variance).
5. Chaque coefficient du modèle est conditionnel et son ampleur, et parfois le signe, changent.Ils dépendent des autres variables du modèle (et du bruit).
6. Je ne comprends pas " priorité donnée à ceux dont la corrélation avec les effets principaux est la plus élevée dans la matrice d'alias ". Si votre les variables du modèle sont corrélées, c'est la multicolinéarité. Tu ne veux pas de ça. Assurez-vous de vérifier les VIF dans le tableau des estimations des paramètres.
Joindre peut-être votre table JMP et la communauté pourra y jeter un œil.
Re: Quels termes d'alias inclure dans le modèle d'ajustementSalut et merci d'avoir pris le temps de répondre à mes questions!
1 et 2): j'ai été référé à un collègue pour l'aide qui a de l'expérience dans la conception expérimentale. J'ai commencé avec un design personnalisé, mais on m'a dit de faire un design de criblage classique car j'essaie de découvrir quels facteurs ont l'effet le plus significatif sur les propriétés mécaniques de mon matériau afin que nous puissions les prendre et nous concentrer sur eux dans d'autres recherches.
3 et 6): je voulais dire que lors de la création du plan de dépistage, seuls les effets principaux ont été inclus dans le modèle et les interactions à deux facteurs ont été ajoutées en tant que termes alias. Après avoir rassemblé mes résultats de recherche et que j'ai dû analyser à l'aide de la plate-forme de modèle d'ajustement, j'étais confus quant à savoir si je devais ajouter des termes d'alias dans la section du modèle d'ajustement avant d'exécuter l'analyse en tant que matrice d'alias et la carte de couleurs montrait un alias partiel et une corrélation de certains effets principaux et deux interactions de facteurs, mais pas entre les effets principaux eux-mêmes. Je comprends la matrice d'alias pour révéler quels effets principaux peuvent être biaisés par certaines interactions à deux facteurs? et d'après ce que j'ai lu, j'ai pensé que ces interactions à deux facteurs devraient alors être incluses dans la section du modèle d'ajustement? Si j'exécute simplement l'analyse du modèle d'ajustement sans ajouter de termes d'alias et que j'obtiens mes résultats, que dois-je regarder pour savoir si les principaux effets indiqués comme significatifs sont vraiment significatifs? Je ne connais pas la singularité mais j'irai lire à ce sujet.
4): On m'a dit d'ajouter manuellement une réplique à la conception de criblage après la génération du tableau, mais je ne suis pas sûr de savoir comment cela aide.
Je joins ici ma table design JMP.
Re: Quels termes d'alias inclure dans le modèle d'ajustement
Mes premiers commentaires sont, je ne comprends pas:
- le processus en cours d'expérimentation (avez-vous créé une carte de processus de l'expérience?),
- les les facteurs ni les hypothèses qui vous ont conduit à expérimenter sur ces facteurs (avez-vous une carte de réflexion),
- les variables de réponse ni le degré de changement des variables de réponse si elles ont une valeur pratique,
- comment l'expérience a été exécutée (avez-vous suivi l'ordre d'exécution? At-il été exécuté dans un ordre aléatoire?),
- comment vous gériez toutes les autres variables qui ont changé au cours de l'expérience (qui n'ont pas été explicitement manipulées).
Mes réponses peuvent donc être loin d'être complètes.
1. Ce que vous avez joint n'est pas ce que j'appellerais un plan de dépistage classique car vous avez un facteur (L) à plus de 2 niveaux. Depuis que vous avez fait cela, vous avez créé une structure d'alias assez complexe. Si vous aviez collé à 4 facteurs à 2 niveaux, vous auriez une conception IV simple de résolution de structure d'alias en 8 traitements. Je ne comprends pas pourquoi vous testeriez un seul facteur à 5 niveaux. Cela biaise les résultats car il y a plus d'informations sur le facteur L que d'autres dans l'étude (4 degrés de liberté pour L).
2. Je ne comprends toujours pas votre utilisation du mot alias " seuls les principaux effets ont été inclus dans le modèle et le t deux interactions de facteurs ont été ajoutées comme termes d'alias ". Vous n'ajoutez pas de termes ayant un alias sur le même modèle ou l'analyse résultante invoquera un avertissement de singularité dans JMP. Dans le tableau que vous avez fourni, vous avez un total de 10 DF. Chaque facteur à 2 niveaux est 1 DF et il y a 4 DF pour L (1 pour linéaire, 1 pour quadratique, 1 pour cubique et 1 pour quartique). Les termes non linéaires sont partiellement aliasés avec des effets linéaires de second ordre (et plus). Puisque L est considéré comme une variable continue par rapport aux autres dans le modèle, cela peut créer un scénario de modèle mixte (traité comme un effet aléatoire par rapport aux autres facteurs qui sont des effets fixes).
Il existe plusieurs approches d'analyse ... certaines le font de manière additive en commençant par 1 terme et en ajoutant des termes termes au modèle (pas à pas). Certains préfèrent commencer par un modèle saturé et supprimer les termes jugés insignifiants. Ces deux éléments nécessitent une compréhension et une capacité à interpréter: R-carré, R-carré ajusté (et le delta entre les 2), valeurs p, VIF (pour les conceptions non équilibrées), erreur MS et si cela est représentatif du vrai erreur, signification pratique, etc. Réalisez que lorsque vous laissez un terme hors du modèle, il se retrouve dans le terme d'erreur et devient alors partie de l'estimation MSerror ayant un impact sur le test F.La suppression des termes insignifiants du modèle biaise davantage le terme MSerror (ce qui rend les valeurs p encore plus significatives).Daniel a été le premier à utiliser des graphiques normaux pour effectuer des tests statistiques non biaisés par le terme MSerror.
3. L'ajout d'une exécution de réplique ne fait pas grand-chose pour fournir une estimation représentative et impartiale de l'erreur, à mon humble avis. Et quelle exécution a été sélectionnée pour être répliquée? Les répliques randomisées ont certainement été utilisées / recommandées pendant de nombreuses années pour obtenir une estimation non biaisée de l'erreur. Il y a peut-être plus des moyens efficaces et efficaces pour comprendre l'erreur, dans quelle mesure elle est représentative des conditions futures et donc si elle constitue une bonne base pour un test statistique.
Re: Quels termes d'alias inclure dans le modèle d'ajustementMerci encore pour votre réponse rapide!
En ce qui concerne vos commentaires à puces: mon expérience étudie l'effet des additifs (deux des facteurs) ainsi que les paramètres d'impression 3D (deux facteurs) sur les pièces imprimées en 3D créées avec mon matériau. Oui, j'ai fait une recherche documentaire approfondie et je me suis entretenu avec mon superviseur pour discuter des variables à quels niveaux je devrais inclure. Tout était bien cartographié avec suffisamment de données pour étayer les décisions. Tous les autres paramètres peuvent être contrôlés aux paramètres par défaut et ceux tels que les changements environnementaux pendant les tests qui peuvent varier et ne sont pas inclus dans le modèle ont toujours été mesurés pour s'assurer qu'ils restent plus ou moins constants et n'influencent pas de manière significative les résultats.
1): J'aurais aimé que le facteur L soit un facteur à 2 niveaux, mais cela n'a pas été possible car il représente le% d'additif dans le matériau et pour l'additif spécifique, nous utilisons une différence de 1% en% d'additif entre 0 et 10% pourrait ont un effet assez important sur la résistance du matériau résultant selon plusieurs études de la littérature. Mon superviseur voulait donc que j'inclus plus de 2 niveaux.
2) Quant aux termes alias. Lorsque je crée la conception de criblage, j'ajoute uniquement les effets principaux au modèle et aucun terme / matrice d'alias n'est présent dans l'évaluation de la conception. Cependant, dès que je sélectionne l'option «Créer une table», puis que je passe à nouveau à l'évaluation de la conception, les interactions à deux facteurs sont soudainement répertoriées sous un onglet «termes d'alias» et une matrice d'alias apparaît. Cela pourrait-il être dû au fait que j'utilise l'option de conception de criblage classique et que JMP prend ensuite mon facteur de niveau 5 lorsque la table est créée?
Merci pour votre description des raisons pour lesquelles mon facteur L est biaisé et de la manière dont le terme d'erreur est influencé - cela a beaucoup aidé!
3) La série de répliques a été choisie au hasard par moi, puis ajoutée manuellement car la conception du dépistage ne permet pas une option pour ajouter des répliques. Souhaitez-vous suggérer que j'ajoute peut-être plus de répétitions aléatoires à ma conception pour essayer d'obtenir une estimation d'erreur plus impartiale?
Je vous remercie!
